改进蚁群算法的超密集网络资源分配方法仿真

为实现高频段网络的高流量密度、高峰值速率性能,超密集组网是当前高速网络的关键部署架构。由于其小区域密集化特点,多元化资源的分配成为保持网络效率的关键性问题。提出基于蚁群算法优化的超密集网络资源分配方法。构建超密集网络基站资源发送和接收模型,以此为依据分析资源在超密集网络中的分布特性和传输特点;建立超密集网络资源分配目标函数,采用蚁群算法求解目标函数,完成超密集网络资源的最优分配。实验验证了上述方法获得CDF曲线与实际CDF曲线相符,资源传输成功率始终处于0.8以上,且在测试过程中始终将资源消耗比例控制在0.02以内,具有较高的频谱效率,以上实验测试结果均证明了所提方法的网络资源分配效果更好。

资源有限人工免疫系统的改进

分析了资源有限人工免疫系统的不足,提出了改进的资源有限人工免疫系统。改进的系统在演化过程中每一步都重新计算适应度阈值,更实际地反映了当时的抗体亲和度的状态;选取的刺激度函数充分体现了抗体距离较小时刺激值所应具有的优势,对较小的距离又不过分敏感;同时选择可以使系统更合理地分配抗体的资源分配函数。仿真实验结果说明,改进的人工免疫系统在网络的进化速度、结构等方面获得了较优良的性能。

避免死锁调度的数学建模与求解

通过引入“资源分配函数”的概念建立了以最短加工时间为目标函数的制造系统避免死锁调度的数学模型，给出了该模型在两进程情况的最优解算法和多进程情况的可行解算法．

基于RAN-RBF神经网络的网络安全态势预测模型

为了更准确地获悉网络安全态势的发展情况,提出了一种基于资源分配网络径向基函数(Resource Allocating Network Radical Basis Function,RAN-RBF)神经网络的网络安全态势预测(Network Security Situation Prediction,NSSP)模型。该模型采用资源分配网络算法对网络安全态势样本进行聚类,得到神经网络的隐含层节点数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法(Modified Particle Swarm Optimization,MPSO)对神经网络的中心、宽度、权值进行优化,对未来网络安全态势进行预测。利用校园网网络管理部门提供的数据进行的仿真实验表明,相对于K-均值RBF神经网络预测模型,该模型可以得到更合适的RBF神经网络结构和控制参数,提高了预测精度,更加直观地反映了网络安全态势的总体情况,为网络安全管理员提供了态势图。